[논문 리뷰] Quantum Machine Learning Framework for Virtual Screening in Drug Discovery: a Prospective Quantum Advantage

Stefano Mensa, Emre Sahin외 3명|arXiv (Cornell University)|2022. 04. 08.

Quantum Computing Algorithms and Architecture참고 문헌 56인용 수 4

한 줄 요약

이 논문은 약물 발견의 리간드 기반 가상 스크리닝에서 고전적 지원 벡터 분류기와 양자 커널 추정을 조합한 하이브리드 고전-양자 기계 학습 프레임워크를 제안한다. 시뮬레이션과 IBM 양자 하드웨어를 사용하여 실제 ADRB2 및 코로나19 데이터셋에서 양자 강화 분류가 고전적 방법을 능가함을 보이며 잠재적 양자 우월성을 입증한다. AUC-ROC 결과는 상태벡터 시뮬레이션과 일치하며 고전적 기준을 초월한다.

ABSTRACT

Machine Learning (ML) for Ligand Based Virtual Screening (LB-VS) is an important in-silico tool for discovering new drugs in a faster and cost-effective manner, especially for emerging diseases such as COVID-19. In this paper, we propose a general-purpose framework combining a classical Support Vector Classifier (SVC) algorithm with quantum kernel estimation for LB-VS on real-world databases, and we argue in favor of its prospective quantum advantage. Indeed, we heuristically prove that our quantum integrated workflow can, at least in some relevant instances, provide a tangible advantage compared to state-of-art classical algorithms operating on the same datasets, showing strong dependence on target and features selection method. Finally, we test our algorithm on IBM Quantum processors using ADRB2 and COVID-19 datasets, showing that hardware simulations provide results in line with the predicted performances and can surpass classical equivalents.

연구 동기 및 목표

• 약물 발견의 리간드 기반 가상 스크리닝(LB-VS)을 위한 일반 목적의 양자 기계 학습 프레임워크를 개발하기 위해.
• 실제 약물 발견 데이터셋에서 양자 커널 방법이 고전적 기계 학습 알고리즘보다 실질적인 이점을 제공할 수 있는지 조사하기 위해.
• 실제 분자 데이터셋을 사용하여 근접한 시기의 양자 하드웨어에서 양자 강화 분류기의 성능을 검증하기 위해.
• 대규모 약물 발견 워크플로우에서 완전한 양자 우월성으로 이르는 기초로 Prospective Quantum Advantage(PQA) 개념을 확립하기 위해.

제안 방법

• 프레임워크는 약물 데이터베이스에 있는 SMILES로 인코딩된 분자들로부터 RDKit을 사용해 화학정보학적 특징을 추출한다.
• 차원 축소 및 특징 선택 기법(ANOVA, PCA)을 적용하여 차원을 감소시키고 분류 성능를 향상시킨다.
• 고전적 지원 벡터 분류기(SVC)는 고전적 및 양자 회로에서 유도된 양자 커널을 사용하여 훈련된다.
• 양자 커널 추정은 IBM 양자 프로세서(Montreal 및 Guadalupe)에 구현된 양자 회로와 양자 하드웨어 에뮬레이터에서 시뮬레이션된다.
• 양자 강화 분류기(QSVC)의 성능은 주로 AUC-ROC를 지표로 하여 고전적 기준(예: RMD 및 MPNN 모델)과 비교된다.
• 상태벡터 방법을 사용한 수치 시뮬레이션은 하드웨어 실행 이전에 예상 성능을 검증하여 실제 양자 하드웨어 결과를 신뢰할 수 있도록 보장한다.

실험 결과

연구 질문

• RQ1 양자 커널 기반 분류기는 리간드 기반 가상 스크리닝 작업에서 고전적 기계 학습 모델보다 뛰어난 성능을 낼 수 있는가?
• RQ2 근접한 시기의 양자 하드웨어에서 실행되었을 때 제안된 하이브리드 양자-고전 프레임워크가 실제 약물 발견 데이터셋에서 측정 가능한 이점을 보일 수 있는가?
• RQ3 양자 시뮬레이션은 실제 양자 프로세서에서의 양자 알고리즘 성능을 얼마나 정확히 예측할 수 있는가?
• RQ4 특징 수가 증가하여 고전적으로 처리할 수 없는 큰 특징 집합으로도 이 프레임워크를 확장할 수 있는가? 이를 통해 잠재적 양자 우월성을 달성할 수 있는가?

주요 결과

• IBM 양자 Montreal에서 실행된 QSVC 모델은 ADRB2 데이터셋에서 상태벡터 시뮬레이션과 유사한 AUC-ROC 스코어를 기록했으며, 오차 범위 내에 들어갔다.
• 코로나19 데이터셋에서 IBM 양자 Guadalupe에서 실행된 QSVC 모델은 최고 성능을 보인 양자 수치 시뮬레이션 결과와 일치하는 AUC-ROC 결과를 기록했다.
• ADRB2 및 코로나19 데이터셋에 대한 양자 하드웨어 결과는 RMD 및 MPNN 모델을 포함한 모든 고전적 기준 방법보다 뚜렷이 뛰어났다.
• 양자 하드웨어 에뮬레이터에서의 시뮬레이션은 실제 양자 프로세서 실행 결과를 정확히 예측하여, 향후 양자 우월성 평가를 위한 수치 시뮬레이션의 신뢰성을 입증했다.
• 프레임워크는 Prospective Quantum Advantage(PQA)를 보여주었으며, 이는 소규모 사례에서 관찰된 양자 이점이 더 큰, 고전적으로 처리할 수 없는 문제로도 확장될 가능성이 있음을 시사한다.
• 이 연구는 특징 선택이 최적화될 경우, 양자 커널 방법이 약물 발견에서 활성 및 비활성 분자를 분류하는 데 실현 가능하고 우월한 접근법임을 확인한다.